本發(fā)明涉及電池，尤其涉及一種基于實際充電數據進行電池soh估計的方法和系統(tǒng)。

背景技術：

1、鋰離子電池作為重要的儲能設備，在電動汽車、移動設備、航空航天和可再生能源存儲等多個領域發(fā)揮著重要作用。準確的電池容量估算對于狀態(tài)監(jiān)控、性能評估和控制策略的制定至關重要。然而，由于電池內部化學和物理過程的復雜性，以及外部操作規(guī)程帶來的不確定性，精確的容量估算或健康狀態(tài)(soh)估算在實際工業(yè)場景中仍是一項具有挑戰(zhàn)性的任務。

2、目前，估算鋰離子電池soh的方法主要有兩種：模型驅動法和數據驅動法。模型驅動法包括電化學模型和等效電路模型。電化學模型以電池工作原理為基礎，建立數學表達式，描述電池正負極、隔膜和電解液之間發(fā)生的錯綜復雜的電化學反應和物理過程。這些模型在估算電池容量方面具有很高的準確性。然而，這些模型需要全面了解電極材料的物理化學特性，并考慮電池的內部和外部工作條件。這些模型的計算求解過程需要消耗大量的計算資源，因此對在線應用來說具有挑戰(zhàn)性。相比之下，等效電路模型結構更簡單，所需參數更少。然而，它提供了電池內部物理和電化學動態(tài)的簡化近似值，依賴于眾多假設。因此，與電化學模型相比，其準確性有所欠缺。此外，在采用濾波算法進行模型參數識別時，還需要解決參數初始化等難題。這些局限性限制了模型驅動方法的廣泛應用。

3、隨著機器學習等人工智能算法的不斷發(fā)展，數據驅動方法受到越來越多的關注。數據驅動方法具有強大的非線性問題擬合能力，可以模擬和仿真依賴于復雜電化學反應及其副反應的電池老化和降解過程。此外，這些數據驅動方法還表現出令人印象深刻的有效性和精確性。數據驅動方法的關鍵步驟包括提取健康指標(his)和選擇機器學習模型。廣泛采用的機器學習模型包括支持向量機(svm)、相關向量機(rvm)、高斯過程回歸(gpr)和人工神經網絡。his提取是指通過監(jiān)測和分析電池的特定參數和行為來評估電池容量或健康狀況。目前，已有大量研究致力于提取his。例如，電壓曲線的斜率、充電曲線的最小值和最大值及其相應時間、信號的偏度指數和峰度指數、區(qū)域電壓和充電持續(xù)時間、放電電壓熵、等距容量間隔電壓和電壓斜率等。

4、然而，這些方法也面臨著相應的挑戰(zhàn)。首先，現有方法往往依賴于完全充放電或特定電壓范圍的數據，由于用戶行為的隨機性，完全收集這些數據是不現實的，因此現有方法往往缺乏靈活性和對工業(yè)應用的適應性。其次，上述方法通常建立在數據質量較好的實驗室數據上，而真實數據將面臨更加復雜多變的噪聲環(huán)境，因此直接對真實數據建?？赡苋菀资艿皆肼暫蛿祿煌暾挠绊憽?/p>

技術實現思路

1、考慮到上述問題，本發(fā)明的目的在于提供一種基于深度殘差收縮網絡使用實際多變充電數據估計鋰離子電池健康狀態(tài)的方法。

2、一種基于實際充電數據進行電池soh估計的方法，包括：

3、獲取電池充電數據；

4、構建深度殘差收縮網絡模型，將作為訓練樣本的電池充電數據作為輸入，訓練深度殘差收縮網絡模型；

5、將作為待評估電池實際的電池充電數據輸入已訓練的深度殘差收縮網絡模型，估計待評估電池的健康狀態(tài)并輸出。

6、進一步的，電池充電數據為恒流充電階段的數據；

7、獲取電池充電數據之后還對電池充電數據進行預處理，預處理過程包括：

8、對電池充電數據中電池電壓和電池容量進行擬合形成恒流充電曲線；

9、按照預定電壓窗口截取恒流充電曲線片段，并按預設電壓間隔在曲線片段上進行采樣得到電壓采樣點和容量采樣點，由容量采樣點計算容量增值，形成電壓-容量增值數據序列；

10、將預處理形成的電壓-容量增值數據序列作為深度殘差收縮網絡模型的輸入。

11、進一步的，深度殘差收縮網絡模型包括依次連接的輸入層、卷積模塊、殘差收縮模塊和分類識別模塊，殘差收縮模塊由至少一個殘差收縮單元構成；

12、輸入層接收電池充電數據；

13、卷積模塊對電池充電數據進行卷積操作形成原始特征數據；

14、殘差收縮模塊對原始特征數據進行特征提取和噪聲濾除，獲得分類特征數據；

15、分類識別模塊對分類特征數據進行評估得到電池的健康狀態(tài)并輸出。

16、進一步的，每個殘差收縮單元包括殘差單元、注意力機制單元和軟閾值化單元；

17、殘差收縮模塊的第一個殘差收縮單元的輸入為卷積模塊的輸出，最后一個殘差收縮單元的輸出作為分類特征數據，其余的每個殘差收縮單元的輸入為上一個殘差收縮單元的輸出，其余的每個殘差收縮單元的輸出為下一個殘差收縮單元的輸入；

18、殘差單元對輸入該個殘差收縮單元的特征數據進行特征提取，得到第一特征數據；

19、注意力機制單元根據第一特征數據計算獲得自適應閾值；

20、軟閾值化單元根據自適應閾值對第一特征數據進行軟閾值化處理，得到第二特征數據；

21、殘差單元將輸入該個殘差收縮單元的特征數據和第二特征數據相加，并將相加結果作為作為最后輸出的特征數據。

22、進一步的，卷積模塊和殘差收縮模塊中的卷積操作均采用擴張卷積方式。

23、一種基于實際充電數據進行電池soh估計的系統(tǒng)，用于執(zhí)行前述的一種基于實際充電數據進行電池soh估計的方法，包括：

24、數據獲取模塊，用于獲取電池充電數據；

25、模型訓練模塊，連接數據獲取模塊，用于構建深度殘差收縮網絡模型，將作為訓練樣本的電池充電數據作為輸入，訓練深度殘差收縮網絡模型并存儲；

26、狀態(tài)評估模塊，連接數據獲取模塊，用于將作為待評估電池實際的電池充電數據輸入已訓練的深度殘差收縮網絡模型，估計待評估電池的健康狀態(tài)并輸出。

27、進一步的，數據獲取模塊包括：

28、獲取單元，用于獲取電池恒流充電階段的數據作為電池充電數據為；

29、曲線擬合單元，連接獲取單元，用于對電池充電數據中電池電壓和電池容量進行擬合形成恒流充電曲線；

30、數據采樣單元，連接曲線擬合單元，用于按照預定電壓窗口截取恒流充電曲線片段，并按預設電壓間隔在曲線片段上進行采樣得到電壓采樣點；

31、序列形成單元，連接數據采樣單元，用于由容量采樣點計算容量增值，形成電壓-容量增值數據序列；

32、將序列形成單元形成的電壓-容量增值數據序列作為深度殘差收縮網絡模型的輸入。

33、進一步的，深度殘差收縮網絡模型包括依次連接的輸入層、卷積模塊、殘差收縮模塊和分類識別模塊，殘差收縮模塊由至少一個殘差收縮單元構成；

34、輸入層用于接收電池充電數據；

35、卷積模塊用于對電池充電數據進行卷積操作形成原始特征數據；

36、殘差收縮模塊用于對原始特征數據進行特征提取和噪聲濾除，獲得分類特征數據；

37、分類識別模塊用于對分類特征數據進行評估得到電池的健康狀態(tài)并輸出。

38、進一步的，每個殘差收縮單元包括殘差單元、注意力機制單元和軟閾值化單元；

39、殘差收縮模塊的第一個殘差收縮單元的輸入為卷積模塊的輸出，最后一個殘差收縮單元的輸出作為分類特征數據，其余的每個殘差收縮單元的輸入為上一個殘差收縮單元的輸出，其余的每個殘差收縮單元的輸出為下一個殘差收縮單元的輸入；

40、殘差單元用于對輸入該個殘差收縮單元的特征數據進行特征提取，得到第一特征數據；

41、注意力機制單元用于根據第一特征數據計算獲得自適應閾值；

42、軟閾值化單元用于根據自適應閾值對第一特征數據進行軟閾值化處理，得到第二特征數據；

43、殘差單元用于將輸入該個殘差收縮單元的特征數據和第二特征數據相加，并將相加結果作為最后輸出的特征數據。

44、進一步的，卷積模塊和殘差收縮模塊中的卷積操作均采用擴張卷積方式。

45、本發(fā)明的有益技術效果在于：相比于現有的技術，本發(fā)明能實現采用實時充電時獲得的隨機片段電壓-容量數據來估算鋰離子電池的容量。這種方法非常適合工業(yè)場景中常見的隨機不完全充放電情況，大大提高了方法的靈活性和適應性。其次，為緩解純數據驅動方法對噪聲的敏感性，本研究采用了抗噪聲性能良好的深度殘差收縮網絡(drsn)來自動探索隱藏在局部充電曲線中的容量衰減特征，其融合了注意力機制和軟閾值，有望實現更高的結果精度和更強的噪聲魯棒性，具有較大的應用意義。